在刚刚结束的WRC上，进工厂已经成为今年机器人企业最明确的主线之一。
展台上的机器人会分拣、搬运，也能打螺丝和进行质检。可从展台走进真实产线，事情却没那么简单。
机器人够不够聪明、价格还会不会继续降，这事儿当然重要。但到了工厂，问题会迅速变得具体：机器人反复做对一件事的成功率是多少？换一批物料、换一个工位后，又要花多久重新部署？
就在这个时候，乐聚发布了面向工业场景的垂域具身智能模型KUAVO-VLA。它以Lingbot-VLA 2.0为基座，使用600多个小时的真机数据进行训练，覆盖分拣、搬运、上下料和装配等100项工业任务。
这件事真正值得关注的是，乐聚在通用基模和具体技能之间，加了一层工业垂域模型。
这多出来的一层，反而可能让机器人更快走进工厂。
01
换一道工序，机器人怎么才能学得更快？
一名在装配线上干了十年的老师傅，换到新工位也要学习，但凭借过去积累的基本功，他总能比新手更快上手。
机器人进入新工位，也需要带着过去的经验，更快学会新任务。
通用基模提供了视觉理解、指令理解和基础操作等能力，但工厂任务既有共性，也有物料、设备和流程上的差异。若直接针对单个工位训练，换个项目不少内容还得重来，柔性生产也容易变成昂贵的项目制交付。
经Benchmark对比，LingBot-VLA 2.0在参测模型中综合表现最优，因此被选为KUAVO-VLA的能力基座，为其提供更高的通用能力起点。
KUAVO-VLA要补的正是这一层。乐聚把600多个小时真机数据集中在100项工业任务中，让识别、定位、抓取、搬运和放置等操作不断重复，逐渐成为下一个任务可以继续使用的能力。
在通过垂域模型训练后，模型成功率从16.27%提升至48.27%，过程分从42.06%提升至74.51%。
工业任务通常由多个连续步骤组成。过程分记录机器人走完了多少关键步骤，比单一成功率更容易看出模型在长流程任务中的能力。这套测试衡量的是具体技能训练前，垂域模型已经具备多少可复用能力。它更像老师傅进入新工位时的起点，而不是最终的产能验收。
02
多加一层模型，反而少走一段交付路
垂域模型有没有商业价值，还要看它能不能缩短开发周期。乐聚给出了两个案例。
在流水线开关分拣任务中，机器人需要完成双臂协同抓取、定位和放置。基于KUAVO-VLA 1.0，乐聚使用5小时任务示范数据继续训练，成功率达到80%。
另一个零食分拣任务涉及物体的识别、抓取和分类放置。模型使用150条示范数据后，成功率达到73.33%。
这里真正有商业含义的是“5小时”和“150条”：在垂域模型提供的工业能力起点上，一个具体技能有机会用更少的数据完成训练。
我们了解到，一项完整工业任务的开发通常以月计算。经过多轮数据采集、训练和现场调试，半年很快就过去了，工厂等不起。如果工程师和机器人长期耗在一个项目里，到了下一家工厂还要重新来一遍，这门生意也很难复制。
乐聚因此把“基模—技能”，改成“基模—垂域模型—技能”。看起来多了一层，实际是把各个项目都会重复支付的学习成本，提前沉淀成平台能力。
这套分工并不复杂：通用基模提供基础能力；乐聚围绕自己的机器人和工业数据，沉淀可复用的工业专业能力；负责项目落地的团队，再根据客户的物料、工位和流程，完成最后的任务训练和现场调试。
分工金字塔显示，通用基模提供20%到30%的能力起点，垂域模型将成功率提升到40%到50%，围绕具体工位继续训练后，技能成功率超过90%。
从20%到90%，不是靠一家公司包办所有事情，而是让基模、垂域模型和具体技能分别解决自己最擅长的问题。
工厂里的任务太多，物料、设备和生产节拍各不相同。一家机器人公司不可能把全世界的工序都开发一遍。平台把不同项目中重复出现的能力做厚，现场团队集中处理客户真正不同的部分，前一个项目留下来的经验就能继续服务下一个项目。
工厂里的泛化，不在于机器人会多少动作，而在于换物料、换工位后还能留下多少能力。留下得越多，新技能所需的数据、时间和成本越少。这条路仍需更多项目检验，但它把问题拉回了工业客户真正关心的账：前一次投入能否复用。
03
老师傅的经验，在垂域模型里
问题随之而来：装进模型里的工业经验，从哪里来？
互联网上有百亿量级的图片和文本，却很难找到足够的真实产线数据。机器人从哪个角度抓取，插接时允许多大偏差，设备周围哪里不能碰，很多知识甚至没有完整写进操作手册，只存在于现场工程师和老师傅的经验里。
所以，从2024年开始，乐聚的团队不断跑工厂、跑客户，汽车制造、3C和物流等场景成为重点。团队不仅要找到需求，还要把现场任务拆成机器人能够学习的动作。大型机床和整条产线无法搬进训练场，就复刻其中的动作结构、物料关系和工位限制。
目前，乐聚在全国参与共建多个训练场，并配套自动任务派发和数据清洗流程。垂域模型也不是有数据、有算力就能做出来。企业需要稳定的机器人本体、真实的工业项目、持续采集真机数据的能力，还要能把客户现场的问题转化为训练任务。
乐聚恰好把这些条件接到了一起。它手里有夸父机器人，也有工业项目和训练场。客户现场暴露的问题可以带回训练场，新的项目数据再进入模型，逐渐补厚工业能力。
据乐聚介绍，后续还会将KUAVO-VLA的模型、代码和数据开源，配套工具也会开放。生态合作伙伴和开发者可以直接在垂域模型上训练新技能，不必每次都从通用基模起步。
从复刻工位、建设训练场，到训练并开源垂域模型，乐聚在机器人、场景、模型和数据上都亲自下了场。它也越来越像一家机器人平台公司：通用基模提供起点，合作伙伴解决具体工位，乐聚负责把工业共性能力做深。
工厂不会为一个听起来先进的模型名称付费。它愿意付费的，是少采一批数据、缩短调试周期，以及换工位时更快跑起来。
乐聚现在做的，是把原本散落在工程师、老师傅和项目组手里的经验，留在垂域模型里。
如果人形机器人想真正把活儿干起来，最好别再从头开始了。
热门跟贴